最近在学习Python，相对java来说python简单易学、语法简单，工具丰富，开箱即用，适用面广做全栈开发那是极好的，对于小型应用的开发，虽然运行效率慢点，但开发效率极高。大大提高了咱们的生产力。为什么python能够在这几年火起来，自然有他的道理，当然也受益于这几天大数据和AI的火。
据说网络上80%的爬虫都是用python写的，不得不说python写爬虫真的是so easy。基本上一个不太复杂的网站可以通过python用100多行代码就能实现你所需要的爬取。现在就以一个电子书的网站为例来实现python爬虫获取电子书资源。爬取整站的电子书资源，按目录保存到本地，并形成索引文件方便查找。
有详细的配套教程以及源码，都已经打包好上传到百度云了，链接在文章结尾处！
需要可以微信扫描下方CSDN官方认证二维码免费领取
爬取的目标网站：苦瓜书盘
步骤：爬取->分析、解析->保存
对于一个不需要登录验证的资源分享类的网站，爬取最大的工作量应该是在对目标页面的分析、解析、识别，这里用的到是Python的BeautifulSoup库。
- 一、获取目录
- 二、获取书籍列表页
- 三、获取书籍详情页
- 四、分析书籍详情页的资源地址
- 五、下载并保存
一、获取目录
通过浏览器的调试工具可以看到目录在id=catagory的div标签下，下面还有ul和li标签，那我们可以迭代li可以获得目录及目录页的地址。
可以通过soup.find_all(attrs={‘id’: ‘category’})[0].ul 获取 到ul标签，然后获取ul的li标签，进行迭代获取。
代码如下：
‘’’
获取目录
‘’’
def getcategory():req_result=requests.get(main_url,headers=headers)if req_result.status_code==200:htmlstr=req_result.content.decode('utf-8')soup = BeautifulSoup(htmlstr, 'lxml')categorys=soup.find_all(attrs={'id': 'category'})[0].ulfor li in categorys.find_all(name='li'):print('开始抓取'+li.a.attrs['href']+"--"+li.string)getcategroydetail(main_url+li.a.attrs['href'],li.string)time.sleep(1)
二、获取书籍列表页
在书籍列表页，我们要获取两个信息，分别是书籍列表的信息及翻页下一页书籍列表的URL地址。
通过浏览器的调试工具分别对列表的信息及翻页下一页的html进行分析。
列表中的书籍详情页信息在class="channel-item"的div标签下，通过class="list-title"的h3标签循环迭代
下一页，我们可以直接通过next_pag=soup.find(name=‘a’,text=re.compile(‘下一页’))来获取。
然后我们可以通过递归来不断的调用获取下一页书籍列表页的代码，知道没有下一页为止。就可以把怎个目录都可以爬取完。
代码如下：
‘’’
获取书籍列表
‘’’
def getbookslist(bookurlstr,categroy_path):book_result=requests.get(bookurlstr,headers=headers)bookhtmlstr=book_result.content.decode('utf-8')soup = BeautifulSoup(bookhtmlstr, 'lxml')booklists=soup.select('.channel-item')for bookinfo_div in booklists:booktitle_div=bookinfo_div.select('.list-title')[0]bookurl=booktitle_div.a.attrs['href']getbookdetail(bookurl,categroy_path)next_pag=soup.find(name='a',text=re.compile('下一页'))if next_pag is not None:next_url=next_pag.attrs['href']print('爬取下一页：'+next_url)getbookslist(next_url,categroy_path)
三、获取书籍详情页
我们要在书籍详情页需要获得书籍详情信息包括书名、作者等信息
关于书名和作者可以分别通过提取class="news_title"的h1标签和id="news_details"的div下的ul下的li再通过正则表达式对作者信息进行提取。
booktitle=bookdetailsoup.select('.news_title')[0].text.strip()bookauthor=bookdetailsoup.select('#news_details')[0].ul.li.find(text=re.compile('作者：(.*?)')).strip()bookauthor=bookauthor.replace('作者：','')booktitleinfo="《"+booktitle+'》-'+bookauthor
四、分析书籍详情页的资源地址
在书籍详情页，我们还要分析书籍详情页的资源地址
电子书的资源下载地址可以通过提取a标签的信息来获取。通过正则表达式分别匹配azw3、mobi、epub分别提取不同的电子书资源。
book_url_item=bookdetailsoup.find(name=‘a’,text=re.compile(booktype,re.I))
代码如下：
‘’’
根据书籍资源类型下载资源
‘’’
def getbookfortype(bookurl,categroy_path,bookdetailsoup,booktype):booktitle=bookdetailsoup.select('.news_title')[0].text.strip()bookauthor=bookdetailsoup.select('#news_details')[0].ul.li.find(text=re.compile('作者：(.*?)')).strip()bookauthor=bookauthor.replace('作者：','')booktitleinfo="《"+booktitle+'》-'+bookauthorprint('书籍详情：---'+booktitleinfo)book_url_item=bookdetailsoup.find(name='a',text=re.compile(booktype,re.I))if book_url_item is not None:downloadurl=book_url_item.attrs['href']print('下载地址：'+downloadurl)if checkIfNoExistBookByUrl(downloadurl):r = requests.get(downloadurl)if r.status_code==200:savepath=createdir(categroy_path,booktitleinfo)filename=booktitle+"."+booktypesavebook(r.content,savepath,filename)p,f=os.path.split(categroy_path)bookcategory=fbook=Book(bookcategory,booktitle,bookauthor,bookurl,downloadurl,savepath,"苦瓜书盘",booktype)print(book.toString())savebooktojson(book)else:print('下载失败：status_code='+str(r.status_code))else:print('没有'+booktype+'格式的书')
五、下载并保存
有了资源的下载资源后下载就变得很简单了，主要用python的os库，对文件进行操作，包括建目录及保存资源文件。也可以通过连接数据库将爬取的数据保存到数据库。
定义书籍类Book用于组织和保存数据。
class Book(object):
def __init__(self,bookcategory,bookname,bookauthor,bookurl,bookdownloadurl,booksavepath,booksource,booktype):self.bookcategory=bookcategoryself.bookname=booknameself.bookauthor=bookauthorself.bookurl=bookurlself.bookdownloadurl=bookdownloadurlself.booksavepath=booksavepathself.booksource=booksourceself.booktype=booktypedef toString(self):return {"bookcategory":self.bookcategory,"bookname":self.bookname,"bookauthor":self.bookauthor,"bookurl":self.bookurl,"bookdownloadurl":self.bookdownloadurl,"booksavepath":self.booksavepath,"booksource":self.booksource,"booktype":self.booktype}
‘’’
将获取的信息保存至文件
‘’’
def savebooktojson(book):bookdata={'booksource':book.booksource,'booktype':book.booktype,'bookcategory':book.bookcategory,'bookname':book.bookname,'bookauthor':book.bookauthor,'bookurl':book.bookurl,'bookdownloadurl':book.bookdownloadurl,'booksavepath':book.booksavepath}
bookjson=json.dumps(bookdata,ensure_ascii=False) #ensure_ascii=False 就不会用 ASCII 编码，中文就可以正常显示了
print(bookjson)with open('data.json', 'a',encoding='gbk') as file:file.write(bookjson+'\n')'''根据目录创建文件夹'''def createdir(savepath,dir):path=os.path.join(savepath,dir)isExists=os.path.exists(path)if isExists:print('已经存在'+dir)else:print('创建目录'+dir)os.mkdir(path)return path'''
下载书籍资源
‘’’
def savebook(content,savepath,savefilename):savefile=os.path.join(savepath,savefilename)with open(savefile, "wb") as code:code.write(content)
运行效果如下：
1、爬取过程
2、爬取记录的json信息
data.json的信息如下：
3、爬取获取的资源
按目录都已经整理好了，够你看的了。
